|
|
|
|
|||||||||
|
A la carte
|
|||||||||||
|
|||||||||||
|
|
|
|
|||||||||
|
A la carte
|
|||||||||||
|
|||||||||||
Diplomi-insinööri Samu Koskinen tuo väitöskirjassaan esille uusia tapoja parantaa kameroiden suorituskykyä hyödyntämällä spektriantureita. Perinteisesti kameroiden värintoisto perustuu punaisen, vihreän ja sinisen (RGB) värisävyn suhteisiin, mutta spektridata mahdollistaa merkittävästi tarkemman värienhallinnan.
Viime viikolla tekoälymaailmaa ravisteli merkittävä julkaisu, kun kiinalainen tutkimusryhmä esitteli uuden suurten kielimallien (LLM) innovaation, DeepSeek R1:n. Tämä malli ei ainoastaan kilpaile tunnetuimpien GPT-mallien, kuten OpenAI:n GPT-4:n kanssa, vaan haastaa niitä uusilla lähestymistavoilla, jotka voivat muuttaa tekoälyn kehityksen suuntaa. Uutisissa on ihmetelty sitä, miten DeepSeek R1 on voitu kehittää selvästi pienemmillä rtesursseilla kuin amerikkalaiset tekoälymallit. Mutta miten DeepSeek R1 eroaa esimerkiksi OpenAI:n GPT-malleista?
Internet of Things (IoT) nähdään usein energiasyöppönä ja elektroniikkajätettä lisäävänä teknologiana. Oikein suunniteltuna ja pitkä elinkaari huomioiden IoT voi kuitenkin muodostua keskeiseksi työkaluksi kestävän kehityksen edistämisessä – aina energiankulutuksen optimoinnista paristottomiin anturiratkaisuihin.
